基于Android的旋轉(zhuǎn)設備在線監(jiān)測系統(tǒng)設計

豆鵬亮，嚴?？?，陽 震，盧 燊

（武漢科技大學 信息科學與工程學院，武漢430081）

電機、水泵等大型動力旋轉(zhuǎn)設備廣泛應用于冶金行業(yè)、石油化工行業(yè)、煤炭行業(yè)等領域[1]。隨著工業(yè)生產(chǎn)規(guī)模的逐步增大，這些設備的結(jié)構(gòu)越來越復雜，并不斷朝著大容量、大規(guī)模方向發(fā)展[2]。對這類大型旋轉(zhuǎn)設備運行時的狀態(tài)進行監(jiān)控對企業(yè)穩(wěn)定生產(chǎn)非常重要，而傳統(tǒng)的人工巡檢具有不可靠性與間斷性，且數(shù)據(jù)不具備追溯性，難以及時發(fā)現(xiàn)異常并進行精確診斷，容易導致停產(chǎn)，并對企業(yè)造成人力以及物力的損失[3-4]。因此，針對設備的狀態(tài)監(jiān)測，常用的方法就是開發(fā)相應的電腦端實時監(jiān)測系統(tǒng)，這樣，用戶可以在電腦上查看各測點的狀態(tài)信息和歷史數(shù)據(jù)。

為了更加便于移動辦公，隨時都可以遠程查看設備狀態(tài)，本文基于Android 平臺，開發(fā)了一款在線監(jiān)測和故障診斷APP。該APP 主要實現(xiàn)關鍵設備的狀態(tài)監(jiān)測、數(shù)據(jù)監(jiān)控和故障診斷等功能，對數(shù)據(jù)的采集、預處理、特征提取和故障診斷等復雜的處理過程都是在服務器端完成。

1 監(jiān)測系統(tǒng)的總體設計

旋轉(zhuǎn)設備在線監(jiān)測系統(tǒng)主要包含服務器端和手機終端兩部分，其中服務器端包含數(shù)據(jù)采集模塊、數(shù)據(jù)分析模塊、故障診斷模塊、數(shù)據(jù)傳輸模塊；手機終端包含用戶管理模塊、數(shù)據(jù)傳輸模塊、設備狀態(tài)監(jiān)控模塊、設備數(shù)據(jù)監(jiān)測模塊和預警及故障分析模塊等。旋轉(zhuǎn)設備在線監(jiān)測系統(tǒng)的結(jié)構(gòu)如圖1所示。

圖1 旋轉(zhuǎn)設備在線監(jiān)測系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of structure of online monitoring system for rotating equipment

服務器端的主要模塊功能為：①服務器端的數(shù)據(jù)采集模塊主要功能是采集并存儲待監(jiān)測設備各測點的實時數(shù)據(jù)，非振動數(shù)據(jù)，例如溫度、壓力等指標，對采樣頻率要求不高，可直接通過PLC 采集數(shù)據(jù)；振動數(shù)據(jù)對采樣頻率要求很高，需要通過數(shù)據(jù)采集卡進行高頻率采樣；②服務器端的數(shù)據(jù)分析模塊主要功能是對采集數(shù)據(jù)進行預處理、SPC 判異、特征提取等處理，預處理主要是去掉異常的無用信號，SPC 判異是判斷數(shù)據(jù)是否已經(jīng)超出正常值或者有異常變化的趨勢，特征提取是提取出振動信號中能表征故障特征的成分；③服務器端的故障診斷模塊主要功能是對已經(jīng)出現(xiàn)異常的信號進行異常原因的解析，并針對相應的測點給出合理的維修建議；④服務器端的數(shù)據(jù)傳輸模塊主要功能是與手機端通訊，響應手機端的請求指令，并將分析的結(jié)果傳送到手機端。

手機端的主要模塊功能為：①手機終端的用戶管理模塊主要功能是對用戶的權(quán)限進行管理，普通用戶只能訪問和查看數(shù)據(jù)，而高級用戶則可以修改異常閾值等信息；②手機終端的數(shù)據(jù)傳輸模塊主要功能是與服務器端通訊，發(fā)送請求指令到服務器端，并接收服務器端傳送的數(shù)據(jù)分析結(jié)果；③手機終端的設備狀態(tài)監(jiān)控模塊主要功能是直接展示各設備的運行狀態(tài)，可以快速發(fā)現(xiàn)異常設備；④手機終端的設備數(shù)據(jù)監(jiān)測模塊主要功能是展示各測點的性能指標值，方便數(shù)據(jù)的回溯；⑤手機終端的預警及故障分析模塊主要功能是展示異常測點的報警信息、故障產(chǎn)生原因及有效的維修建議。旋轉(zhuǎn)設備在線監(jiān)測系統(tǒng)手機端的主要界面如圖2所示。

圖2 旋轉(zhuǎn)設備在線監(jiān)測系統(tǒng)手機端的主要界面Fig.2 Main interface of mobile phone of online monitoring system for rotating equipment

1.1 數(shù)據(jù)傳輸模塊

在數(shù)據(jù)傳輸模塊中，由于要利用Internet 進行手機終端和服務器的網(wǎng)絡通信，手機終端向服務器端發(fā)送請求指令，服務器端則根據(jù)請求指令向手機終端傳輸相應的已分析的文件。Java 有一套適用于網(wǎng)絡的API，通過應用Java 良好的Internet 網(wǎng)絡程序設計功能，通過調(diào)用相應的類和接口，可以很便捷的進行對網(wǎng)絡功能進行編程，具體實現(xiàn)過程是在手機終端使用Socket 類，建立向指定服務器IP 和端口的套接字，手機終端Socket 發(fā)起連接請求，服務器端的一直處于監(jiān)聽狀態(tài)下的ServerSocket 在收到客戶端發(fā)起的請求后，在確定IP 地址和端口地址無誤后，服務器和客戶端將建立長連接。在建立連接后，通過Java 提供的輸入輸出流（Outputstream，Inputstraem） 中的Write 和read 方法實現(xiàn)客戶端和服務端的文件傳輸。服務器端主要根據(jù)相應的指令向手機終端傳輸狀態(tài)文件，監(jiān)控數(shù)據(jù)文件和異常診斷文件。

1.2 設備狀態(tài)監(jiān)控模塊

該模塊主要是監(jiān)測并顯示設備的總體狀態(tài)，每臺設備包含多個非振動測點和振動測點，例如電機前軸溫度、電機后軸溫度、進口油溫、電機轉(zhuǎn)子振動等，這些測點的監(jiān)測數(shù)據(jù)都能反映設備的運行狀態(tài)，任一測點數(shù)據(jù)的異常則該設備都會顯示報警狀態(tài)。設備狀態(tài)判斷流程如圖3所示。

圖3 設備狀態(tài)判斷流程Fig.3 Equipment status judgment flow chart

1.3 設備數(shù)據(jù)分析及故障診斷模塊

設備采集的數(shù)據(jù)是分析設備狀態(tài)的依據(jù)，本系統(tǒng)主要對數(shù)據(jù)進行趨勢分析、特征提取和故障診斷等操作。

其中趨勢分析主要功能是判斷數(shù)據(jù)是否超出標準閾值或者數(shù)據(jù)是否有潛在的上升或下降的趨勢。具體的操作分為兩部分，一部分是根據(jù)現(xiàn)場工藝設置標準閾值，對超出閾值的測點進行報警；另一部分是根據(jù)統(tǒng)計過程控制（statistical process control，SPC）判異準則進行預警，SPC 八大判異準則分別為：①1 個點落在A 區(qū)以外；②連續(xù)9 個點落在中心線同一側(cè)；③連續(xù)6 個點遞增或遞減；④連續(xù)14 個點交互著一升一降；⑤連續(xù)3 個點中有2 個點落在中心線同一側(cè)的B 區(qū)以外；⑥連續(xù)5 個點中有4 個點落在中心線同一側(cè)的C 區(qū)以外；⑦連續(xù)15 個點落在中心線兩側(cè)的C 區(qū)以內(nèi)；⑧連續(xù)8 個點落在中心線兩側(cè)，但無一個點在C 區(qū)中。其中，A 區(qū)、B 區(qū)和C 區(qū)分別指的標準差的1 倍范圍、2 倍范圍和3 倍范圍區(qū)域。通過SPC 判異準則，可以在數(shù)據(jù)未超出標準閾值的情況下，提前發(fā)現(xiàn)數(shù)據(jù)的潛在異?，F(xiàn)象，能對設備的異常進行早期預警。

1.4 預警及故障分析模塊

該模塊主要是針對各測點的異常數(shù)據(jù)進行進一步的分析，包括數(shù)據(jù)異常類型、異常原因和維修處理意見。其中數(shù)據(jù)異常類型包含兩種：①數(shù)據(jù)超出報警閾值；②數(shù)據(jù)未超出報警閾值，但是符合SPC八大判異準則中的一種。異常原因是結(jié)合數(shù)據(jù)異常類型和設備機理給出的可能出現(xiàn)的故障原因。維修處理意見是結(jié)合故障原因給出的合理的具有實施性的維修意見。部分測點異常分析情況如表1所示。

表1 部分測點異常情況分析Tab.1 Abnormal analysis of some measuring points

2 軸承振動數(shù)據(jù)分析

軸承出現(xiàn)故障時，其振動信號通常會出現(xiàn)周期性的振動信號，并且，不同類型的故障類型，其特征頻率不一樣。通過檢測這些信號的特征頻率可以及時地發(fā)現(xiàn)軸承的早期故障，避免軸承出現(xiàn)卡死等嚴重生產(chǎn)事故。本系統(tǒng)中主要通過Hilbert 包絡譜、數(shù)學形態(tài)梯度濾波、快速稀疏分解3 種方法對振動信號進行特征提取和故障診斷。

2.1 Hilbert 包絡譜方法

傳統(tǒng)的傅里葉變換可以對連續(xù)的周期信號進行準確分析，但是在分析具有局部特征的周期信號時只能通過頻譜能量的分布變化來進行初步判斷，很難具體得到有效的故障特征頻率。采用Hilbert 包絡譜可以直觀地得到局部沖擊信號的包絡，更加便于分析和計算故障特征頻率。

假設有一個實值函數(shù)s（t），其Hilbert 變換記作或H［s（t）］，解析信號記作：

不難證明，對于具有局部沖擊特征的信號sp（t）：

其Hilbert 變換為

解析信號的模為

因此，通過Hilbert 變換后可以對局部沖擊信號進行解調(diào)，提取其包絡值，再通過傅里葉變換，即可在頻域直觀的呈現(xiàn)出故障特征頻率信息[5]。

2.2 數(shù)學形態(tài)梯度濾波方法

對于具有多個頻率成分的復雜振動信號，直接采用Hiblert 包絡譜無法實現(xiàn)調(diào)制頻率解調(diào)的目的，因此需要將復雜的信號分解成一個個的單一成分，即傳統(tǒng)的經(jīng)驗模態(tài)分解方法（empirical mode decomposition，EMD）。在該系統(tǒng)中，為了減少數(shù)據(jù)的計算量，增強算法的實時性，采用數(shù)學形態(tài)梯度濾波的方法分析復雜的信號。

數(shù)學形態(tài)學是在積分幾何的基礎上創(chuàng)立的。它是從集合的角度分析信號，算法簡單，易于實現(xiàn)。針對振動信號，通常采用灰度數(shù)學形態(tài)學，其中基本算子膨脹和腐蝕的定義分別為

式中：f（x）為輸入函數(shù)；g（x）為結(jié)構(gòu)函數(shù)；Df和Dg分別為f（x）和g（x）在Rn上的定義域；sup 和inf 分別為集合的上確界和下確界[6]。

在對振動信號分析時，膨脹運算可以保留信號的正脈沖，抑制信號的負脈沖；腐蝕運算可以保留信號的負脈沖，抑制信號的正脈沖。為了更好的提取振動信號中的正負脈沖信號，本系統(tǒng)采用形態(tài)膨脹-腐蝕梯度算子[7]。同時，由于結(jié)構(gòu)函數(shù)在小尺度下對細節(jié)信號保留效果好，但受噪聲影響大；在大尺度下噪聲抑制效果好，但細節(jié)信號保留效果差。因此，本系統(tǒng)采用直線型結(jié)構(gòu)元素的自適應多尺度形態(tài)膨脹-腐蝕梯度算法。其定義為

式中：k為結(jié)構(gòu)函數(shù)的尺度；wk為各尺度信號的權(quán)重。

這樣，根據(jù)不同設備振動沖擊信號的持續(xù)時間長度即可大致確定尺度的變化范圍，從而獲得最佳提取效果的故障信息。

3 仿真與實驗

機械設備振動信號大致可以分為兩大類，一種是諧波信號，另一種是具有局部特征的沖擊信號。前者直接用傅里葉變換即可在頻域進行分析；后者則需要經(jīng)過一些處理才能更好地得到頻域信息。

根據(jù)機械振動的機理，沖擊信號的數(shù)學模型可以表示為

式中：u，s，w，φ 分別為沖擊信號的位移因子、尺度因子、頻率因子和相位因子。

周期性沖擊信號的頻域分析結(jié)果如圖4所示。圖4（a）中的仿真信號的調(diào)制頻率為200 Hz，周期為5 Hz，從圖4（a）中的FFT 變換結(jié)果，可以看出頻譜中200 Hz 附近區(qū)域的能量有所上升，但是無法直觀的看到5 Hz 的周期頻率；圖4（b）中的Hilbert包絡信號則將每個沖擊成分的包絡成分解調(diào)出來了，并且其FFT 變換也能直觀的看到5 Hz 的周期頻率及其倍頻成分。

圖4 周期性沖擊信號的頻域分析結(jié)果Fig.4 Frequency domain analysis results of periodic shock signals

因此，采用Hilbert 包絡譜可以直觀的提取出沖擊類故障中的故障特征頻率信息。而針對復合故障，需要進行EMD 分解，再分析其Hilbert 包絡譜信息，而EMD 分解過程中的分解層數(shù)、迭代終止條件等因素均會影響實際應用的效果。

為了驗證數(shù)學形態(tài)梯度濾波方法的有效性，將對復合故障信號分別采用數(shù)學形態(tài)梯度濾波、Hilbert 包絡譜進行對比分析。

假設仿真信號是由頻率分別為16 Hz 和50 Hz 的正弦波成分、周期頻率為5 Hz 及調(diào)制頻率為200 Hz的沖擊成分、高斯白噪聲組成。仿真信號的頻域?qū)Ρ冉Y(jié)果如圖5所示。

圖5 仿真信號的頻域?qū)Ρ冉Y(jié)果Fig.5 Frequency domain comparison results of simulated signals

圖5（a）中可以看出，時域信號中難以發(fā)現(xiàn)故障沖擊成分，頻譜中只能體現(xiàn)出16 Hz 和50 Hz 的低頻成分；圖5（b）中由于沒有進行EMD 分解，其Hilbert包絡譜中存在34 Hz 的低頻差頻成分，且幅值較大，掩蓋了故障沖擊成分的頻率；圖5（c）中的時域波形可以看出沖擊成分得到大幅度提升，噪聲及低頻成分被抑制，且其頻譜中可以明顯看到故障沖擊成分的周期5 Hz 及其倍頻成分。

4 結(jié)語

基于Android 開發(fā)的旋轉(zhuǎn)設備在線監(jiān)測系統(tǒng)，實現(xiàn)了潛在故障預警及故障的分析診斷功能，手機端可以直接查看設備的監(jiān)控狀態(tài)及報警信息。針對故障振動信號分析的Hilbert 包絡譜和數(shù)學形態(tài)梯度濾波方法可快速提取信號中的沖擊成分及故障特征頻率，對故障的綜合分析具有顯著的作用。